Python自然语言处理 课件 电子05-2- 关键词提取技术概述.pptx

词向量与关键词提取Python自然语言处理第五章 CONTENT目录 01词向量算法02关键词提取技术概述03TF-IDF算法04TextRank算法05LSA/LSI/LDA算法06提取文本关键词 章节回顾01OPTION02OPTION03OPTION04OPTION 词向量算法 的基本理论 神经网络 语言模型 CW模型 CBOW模型和 Skip-gram模型 关键词提取技术概述0 2 关键词提取技术概述对信息提取的关键词越准确，我们越可能搜索到想要的信息，类似于其他的机器学习方法，关键词提取算法一般也分为：有监督的关键词提取算法无监督的关键词提取算法在信息爆炸的时代，只能筛选出一些我们感兴趣的或者有用的信息进行接收。关键词搜索——关键词提取(前提) 优点：能够获取到较高的精度 缺点：需要大批量的标注数据，人工成本过高。 大数据时代，每时每刻都有大量的新信息出现，一个固定的词表涵盖所有的新信息，而且人工维护这个受控的词表也需要很高的人力成本 有监督机器学习的方法通过分类的方式进行，通过构建一个较为丰富和完善的词表，然后判断每个文档与词表中每个词的匹配程度，以类似打标签的方式，达到关键词提取的效果。 关键词提取技术概述 无监督方法：不用人工参加，不用训练语料，通过抽取系统来抽取关键词。因此，无监督方法更多的得到采用，一些常用的算法有：TF-IDF算法Text